Kapitel 4 Ergänzungen
Ergänzungen
Ergänzungen
Fichier Détails
| Cartes-fiches | 53 |
|---|---|
| Langue | Deutsch |
| Catégorie | Psychologie |
| Niveau | Université |
| Crée / Actualisé | 23.02.2016 / 07.02.2024 |
| Lien de web |
https://card2brain.ch/box/kapitel_4_ergaenzungen
|
| Intégrer |
<iframe src="https://card2brain.ch/box/kapitel_4_ergaenzungen/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>
|
Créer ou copier des fichiers d'apprentissage
Avec un upgrade tu peux créer ou copier des fichiers d'apprentissage sans limite et utiliser de nombreuses fonctions supplémentaires.
Connecte-toi pour voir toutes les cartes.
EFA-Pfadmodell: was würde sich ergeben?
-immer alle Korrelationen der Matrix LAMDA-x geschätzt (Faktorladungen von Ksi nach Indikatoren x)
-Residuen delta grundsätzlich unabhängig (Matrix Theta-Delta= Identitätsmatrix/ Diagonalmatrix)
Diagonalmatrix
alle Elemente außerhalb der Diagonalen= 0
saturierte Modelle
gerade identifizierte Modelle
wodurch wird die beste Lösung überidentifizierter Modelle angenähert?
kleinste quadrierte Abweichung
Alternative zu Referenzvariablen
Residuen oder Varianzen der latenten Variablen auf Wert 1 fixieren
MERKE: keine zusätzliche Maßnahme zu Referenzvariablen, sondern ALternative
es sollte so immer eine mögliche Quelle der Nicht-Identifizierbarkeit ausgeschsaltet werden
Faktorenanalyse 2. Ordnung mit 2 Primärfaktoren
-man hat nur eine empirische Info (Kovarianz der Primärfaktoren) für zwei zu schätzende Ladungen eines höheren Faktors
empirische Unteridentifikation
-extrem hohe Interkorrelationen zwischen eigentlich unabhängigen Faktoren
-Redundanzen verhindern genaue Schätzung
-vgl. mit Multikollinearität in der multiplen Regression
Kovarianzmatrix vs. Korrelationsmatrix
-(CFA)Kovarinazmatrix= Varianzen in Diagonale & Kovarianzen außerhalb= unstandardisierte Kovarianzmatrix
-(EFA)Korrelationsmatrix= Korrelationen= standardisierte Kovarianzmatrix (meist Produkt-Moment-Korrelation)
ungünstige Verteilungseigenschaften + große Stichprobe
ADF mit tetra-/ polychorischer Korrelationsmatrix
ungünstige Verteilungseigenschaften + kleine Stichprobe
ML-Algorithmus für Kovarianzmatrix nach parcelling
Chi-Quadrat-Differenzen Test
-nur bei genesteten Modellen
-arithmetische Differenz der Chi-Quadrat werte und der jeweiligen anzahl der df der beiden zu vergleichenden Modelle
Resultat chi² Differenzen Test
Parsimonität des Modells (ANzahl der df) wird relativiert
Vergleich nicht genesteter Modelle
-modellvergleichende Indizes
-ermitteln Passung in Relation zur Parsimonität
-ermitteln nur Rangordnung der Modelle
Umgang mit nicht-normalverteilten Daten bei Normierung
-Flächentransformation (nicht-lineare Transformation)
-Normwerte werden wieder normalverteilt (%-Zahlen unter Kurve wiederhergestellt)
-aber Maßstab verzerrt
Schwellenwertbestimmung bei kriterienorientiertet Testwerinterpretation
ROC-Analyse
Summe aus Sensitiviität & Spezifität am größten
auf die Testkonstruktion bezogen: wofür eignet sich EFA?
-induktive Testkonstruktion
-Exploration interner Struktur externaler Tests
CFA in diesem Sinne...
-Modellprüfung
-Konstruktion rationaler Tests
Modell mehrerer gemeinsamer Faktoren
Ausprägung einer Person auf einer beobachteten Variablen setzt sich zusammen aus einer gewichteten Kombination von Ausprägungen der latenten Variablen PLUS einem Fehlerterm
Komponentenmodell (PCA)
Fehlerterm entfällt
Ladung & quadrierte Ladung
-Ladung= Korrelation von Item mit Faktor
-quadrierte LAdung= Anteil gemeinsamer Varianz von Faktor & Item an Gesamtvarianz
ACHTUNG: glt nur wenn Faktoren unkorreliert sind
Varianzanteile eines Items: spezifische Varianz
trägt zwar zur Reliabilität bei, wird aber von den anderen Items nichr erfasst
Varianzanteil a²?? eines Items
Varianzanteil der durch Items erklärt werden könnte die nicht in der Faktorenanalyse berücksichtigt werden
Algorithmus des Modells mehrerer gemeinsamer Faktoren
-konvergiert nicht zwingend
-da es theoretisch unendlich viele Kombinationen von Faktoren & Ladungen gibt
Algorithmus PCA
konvergiert immer
PCA vs. PAF
-PCA bei Schätzungen der Ladungen der PAF unterlegen
-PAF vergrößert Einfluss der Stichprobengröße
Varianz eines Items in der PCA
definitionsgemäß 1
Eigenwert / Gesamtzahl der Items
Anteil der durch den Faktor aufgeklärten Varianz des gesamten Tests
Summe Eigenwerte / Itemzahl
durch alle extrahierte Komponenten aufgeklärte Varianz desgesamten Tests
Summe der Elemente der Hauptdiagonalen der Korrelationsmatrix
=Spur der Matrix
=Summe der Eigenwerte unkorrelierter Faktoren
=Summe der quadrierten Ladungen
Parallelanalyse nach Horn für N gegen unendlich:
-Eigenwerte entsprechen den Werten in der Hauptdiagonalen der Korrelationsmatrix
-in der PCA Einsen
-d.h. Parallelanalyse= KG-Kriterium
-
- 1 / 53
-
